风电功率爬坡的控制策略研究

随着风电规模的不断增大,风电出力的波动对电力系统的影响越来越大,尤其是风电的大规模高集中接入,使得风电功率爬坡问题日益突出。针对风电功率爬坡,文章提出了两种控制策略：一种是风电场不按照最大风能捕获要求发电,而是留有一定的裕度作为备用容量,通过调节发电机转子转速和风力机桨距角来控制功率爬坡;另一种是通过储能技术,抑制风电功率爬坡。利用电力系统仿真软件PSCAD进行仿真,对比了两种控制策略的可行性和有效性。     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

一种风电功率简易预测模型

风电功率预测逐步成为研究热点,为提高预测精度,预测模型日趋复杂化。通过对风电出力特性的研究,针对风电功率超短期预测问题,提出一种简易预测模型。首先利用滑动平均法将风电功率简单分离成趋势分量和波动分量,并根据两类分量的变化特征分别建立自回归滑动平均模型和极限学习机模型进行预测。算例结果表明该模型能较好的拟合风电出力序列变化情况,具有良好的应用前景。     

风电功率弃风数据特征识别方法研究

在风力发电过程中,由于负荷需求量的不同,存在对风力发电量的限制,弃风现象普遍存在。弃风数据的存在会对风电功率预测和风电场等值模型的建立产生较大影响,因此对弃风数据的剔除非常关键。对此,分析了正常运行数据的特征和弃风数据的特点,在风电机组的标准风速-功率传变特性（功率曲线）的基础上,依据正态分布的均值和标准差提出了粘滞区间的概念,并基于此建立了对弃风数据进行辨别与剔除的方法。以东北某风电场的实测数据为例,对含有弃风的数据进行剔除,验证了所提方法的有效性。     

风电功率爬坡事件预测时间窗口的选取

为了完整、高效地预测爬坡事件,提出在一个合适的时间窗口内进行风电功率预测和爬坡事件识别的方法,并重点讨论如何选取合适的预测时间窗。首先通过历史爬坡事件的识别,统计爬坡持续时间的分布规律;利用数据相关性分析研究实例样本数据的可预测性;综合2者的结果确定爬坡预测时间窗口取值的可选范围。其次,基于预测时间窗的目标要求,提出可能的分析指标,在给定取值范围内寻找满足要求的最优时间窗口作为所求预测窗。最后以美国BPA地区的风电功率数据为实例,仿真求出该数据集的预测窗口大小为4.5 h,通过多个评估指标验证了该预测时间窗对实例爬坡预测的有效性。该工作为爬坡事件的预测奠定了重要基础。     

考虑爬坡特性的短期风电功率概率预测

短期风电功率概率预测有助于调度部门提前安排发电计划,提高风电的消纳能力。提出一种考虑爬坡特性的风电功率概率预测方法,首先通过分析不同风电爬坡定义的特点,阐述互补组合预测的思路;然后采用小波神经网络建立风电功率确定性预测模型,并在其基础上建立不同功率分区内风电爬坡率和风电功率预测误差的二维核密度估计概率预测模型;最后由二者的联合概率分布求取后者的条件概率分布,得到风电功率概率预测结果。仿真结果表明,所提模型具有很高的短期风电功率概率预测精度。     

超短期风电功率爬坡事件检测和统计分析

随着风电渗透率的逐渐增加,超短期风电功率爬坡事件对电力系统的影响愈来愈显著。当前国内对爬坡事件没有明确定义,且缺少相应的检测方法和统计分析。阐述了爬坡事件的定义,提出了一种超短期风电功率爬坡事件检测方法,并从爬坡持续时间、爬坡变化率和爬坡幅值三个方面对上爬坡和下爬坡两种爬坡类型进行了统计。最后分析了超短期风电功率爬坡事件的日、月分布规律。实例证明,所提出的检测方法可以快速准确地检测出风电功率爬坡事件及其特征值。统计结果表明,上爬坡事件和下爬坡事件的爬坡持续时间、爬坡变化率和爬坡幅值三个爬坡特征具有较高对称性,但两类爬坡事件高发在一天之中不同的时段,也表现出明显的日、月分布特征。     

基于相似性修正的风电功率爬坡事件预测方法

为了满足爬坡预测所需的长期高精度风电功率预测要求,提出基于相似性修正的风电功率爬坡预测方法。该方法首先根据Granger因果检测法提取数值天气预报(numerical weather prediction,NWP)中对风电功率预测有效的气象变量,保证基于气象变量和统计模型的混合预测模型的可实现性,并以支持向量回归模型作为基本预测模型。其次,结合历史数据分析气象背景相似性与爬坡事件相似性,给出相似爬坡事件的选取机制。考虑到较高精度的风电功率预测可提高爬坡预测的性能,为此,结合相似爬坡的功率变化修正风电功率的预测结果,并由误差指标分析验证修正模型的优越性。最后,对实际算例进行仿真分析,验证基于相似性修正的风电功率预测模型的可行性。     

考虑风电功率爬坡的功率预测-校正模型

随着大规模风电接入电力系统,风电功率爬坡事件对电网的安全稳定运行带来一定的影响。研究爬坡事件发生时的功率预测已越来越迫切。基于极限学习机理论,提出了一种考虑风电功率爬坡事件的超短期功率预测和校正模型。首先,利用最优旋转门算法对当前爬坡事件进行识别,提取爬坡事件特征值,建立模糊C均值聚类模型以得到同类数据,在此基础上,采用极限学习机算法对上述数据进行训练、预测,通过元组向量时间扭曲法在历史风电功率预测爬坡事件库中寻找与当前风电功率预测结果相似的爬坡事件,得到功率预测历史相似爬坡事件。最后,利用功率预测历史匹配值与实际值之间的特征值误差,对风电功率预测结果进行修正。算例表明,所提方法可准确识别风电功率爬坡事件、有效提高风电功率超短期预测精度。     

基于分段优化的风电功率爬坡有限度控制策略

风电功率爬坡是一种严重的风电功率波动情况,对电网稳定性产生了严重的影响。风电功率预测能够提前预测功率爬坡事件,为制定功率爬坡控制策略提供爬坡数据。在当前风电功率爬坡的有限度控制策略基础上,提出了基于分段优化的有限度控制策略。根据风电功率爬坡过程中爬坡率的相对大小,对爬坡过程进行合理分段。最小优化目标函数由爬坡率和弃风量构成。通过在不同区段上设置不同的权重因子来调整分段优化目标,利用二次规划算法最后得出功率参考曲线。仿真结果表明,该功率参考曲线降低了爬坡率、减少了弃风量。     

一种新型确定性风电功率预测模型及其概率性评估

现有风电功率预测多数为确定性预测,而由于风电功率具有随机性和波动性,确定性预测在不确定性条件下难以为系统调度决策提供有效信息,概率性预测能够提供预测的不确定性信息。提出一种基于小波变换和模糊自适应共振映射的新型确定性预测方法,利用数值天气预报及风电功率历史数据进行确定性预测。同时基于分位数回归分析,并以置信度、锐度、技术评分为指标,对确定性预测结果进行概率性评估。以某风电场为例,给出了确定性预测值及概率性评估,验证了所提方法的有效性。     

基于趋势特征的风电功率爬坡事件检测方法

风电爬坡事件是风功率波动严重的小概率事件,因此在大数据中快速检测出爬坡事件十分关键。为提高爬坡事件的检测效率,本文根据爬坡事件蕴含显著的趋势信息,提出一种基于SDT和趋势标记相结合的风电爬坡事件检测方法。首先,采用改进的旋转门算法(SDT)对原始风电功率数据进行分段趋势提取,预提取出可能存在的爬坡事件。为避免漏检、处理不重要的分段,引入趋势标记的方法。根据提出的爬坡检测方法,对上海某风场的数据进行爬坡检测试验。结果表明,对爬坡事件进行分段提取趋势既缩短了爬坡检测时间又提高了爬坡检测精度,具有实际意义。     

应对风电功率爬坡事件备用需求分析和预防控制

针对风电功率爬坡事件会严重影响系统有功平衡,甚至导致频率越限或失负荷等问题,提出一种应对风电功率爬坡事件的备用需求分析方法和预防控制策略。首先,基于序列运算理论将爬坡事件在时序上的概率预测结果转化为各时间断面上爬坡量的概率分布,并在此基础上结合风险可接受程度对系统备用需求进行了分析。然后,提出一种应对爬坡事件的预防控制策略,过程中不断根据最新的爬坡事件预测信息对调度计划进行调整,调整量包括风电场减载量、常规机组计划出力和备用容量。以含风电场的IEEE-RTS24为例对所提模型进行了仿真验证,结果表明该方法可对爬坡事件作用下系统运行风险进行准确评估,并可将风险控制在可接受范围内。     

基于DFIG频率模型的风电功率爬坡事件预测方法

随着风力发电的快速发展,风电出力的随机波动性引起的风电功率爬坡事件将威胁电网的稳定运行,因此需要研究能够有效预测风电功率爬坡事件的方法。首先介绍了传统的爬坡事件定义,提出了一种基于频率变化判断爬坡事件的方法。然后建立了计及频率偏差的双馈异步风机(doubly-fed induction generators,DFIG)模型,采用状态估计技术解决含DFIG的频率估计问题,并根据利用状态估计方法计算出的频率偏差,生成相应指标,对风电功率爬坡事件进行预测。最后对含DFIG的IEEE 14、IEEE 30和IEEE 118改进系统进行仿真分析,结果表明,所提方法可成功预测风电功率爬坡事件的发生,并且提高了预测精度。     

基于风速局部爬坡误差校正的风电功率优化预测

准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。     

基于动态时间规整的风电功率爬坡滚动修正模型

不断提高风电爬坡事件特征量的预测精度对电力系统安全稳定运行意义重大.因此,提出一种爬坡事件特征量与数值天气预报(NWP)气象数据相结合的风电爬坡滚动修正模型.首先,基于PRAA算法获得历史数据库与预测数据库中的所有爬坡事件特征量,建立爬坡特征量预测误差向量矩阵.然后,分析误差向量矩阵与NWP中各气象数据的线性和非线性相...     

风电功率爬坡事件的滑动窗检测与实例分析

风电功率易受自然风况随机多变因素的影响,形成快速变化的爬坡现象,严重时会给电网调控带来较大困难。为更好应对风电功率爬坡带来的风险,需要研究风电功率爬坡事件的高效检测技术。基于通常的风电功率爬坡定义关系,设计了一种采用滑动窗技术的风电功率爬坡事件检测方法及其流程。方法通过风电功率变化率门槛值和滑动窗的合理设置,动态检测风电功率爬坡事件发生的起始时间、幅度、陡度和持续时间等关键信息。利用提出的检测技术,对江苏盐城地区4个风电场2015年1月—2016年3月期间的风电功率爬坡进行实例分析,验证了所提检测技术的正确性。     

一种短期风电功率组合预测方法

为提高风电功率的短期预测精度,对组合预测进行了研究。选用差分自回归移动平均模型(ARIMA)与埃尔曼神经网络(Elman)模型,建立新的组合预测模型。首先,用单一的ARIMA预测模型和Elman预测模型对风电功率进行预测;然后,在单独模型预测的结果上,再次利用Elman神经网络进行预测;最后,将组合预测的结果与两单一模型的预测结果进行分析比较。结果表明,组合预测模型比各自单一预测模型有更高的预测精度。     

一种短期风电功率集成预测方法

为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。     

考虑电网侧频率偏差的风电功率爬坡事件预测方法

风电功率爬坡事件越来越影响风力机在电网中的运行,随之而来的爬坡事件预测问题成为国内外新的研究热点。综述了风电功率爬坡事件的研究背景、定义和特征,建立了考虑频率偏差量的含风力机的准稳态潮流计算模型,将频率偏差量和滑差修正量引入雅可比矩阵中进行含风力机的潮流计算,采用两种频率偏差指标(PRESF指标和APRESF指标)对爬坡事件进行预测。将所述预测模型应用于5节点和10机39节点系统进行算例仿真,对结果的对比分析验证了该方法的有效性。